【技术实现步骤摘要】
本专利技术涉及一种深度神经网络，是一种基于三重高效注意力机制的mri脑肿瘤分割方法，属于语义分割领域。
技术介绍
1、据国际癌症研究机构(iarc)2020年发布的数据，全球每年被诊断为脑肿瘤的新病例约有22.3万例，全球每年因脑肿瘤导致的死亡人数约为16.3万人。脑肿瘤分为两种类型：癌性肿瘤(称为恶性肿瘤)和非癌性肿瘤(称为良性肿瘤)。恶性肿瘤对周围的健康和正常组织具有致命作用。良性脑肿瘤的平均5年生存率为91.7％，而恶性脑肿瘤的5年相对生存率仅为36％。其中，最常见的恶性脑肿瘤是起源于胶质母细胞瘤(glioblastoma,gbm)，gbm细胞浸没在健康的脑组织中并浸润周围的组织，可在蛋白质纤维附近迅速生长扩散，恶化过程非常迅速，平均生存期仅1年，五年生存率不足5％。脑疾病通常具有发病率高、复发率高、死亡率高、治愈率低的特点，严重威胁人类健康。因此，早期诊断起着至关重要的作用。
2、医学影像技术在肿瘤的诊断中起着至关重要的作用，其中磁共振成像(mri)作为一种典型的非侵入性脑肿瘤成像技术，能产生高分辨率、非侵入性、无颅骨伪影的多模态脑图像，为临床医生诊断脑肿瘤提供全面准确的信息，并且是鉴别脑肿瘤的重要技术手段之一。
3、正常的人脑包括灰质、白质和脑脊液三部分。灰质是由神经元胞体及树突聚集在一起形成，颜色较深，是中枢神经系统对信息进行深入处理的部分；白质由神经元的轴突组成，颜色较浅，主要的功能是传递神经冲动；脑脊液存在于脑和脊髓周围，是无色透明的液体，用于缓冲脑和脊髓的压力。
4、此外，m
5、医学影像作为临床诊断的重要辅助工具，且医学影像数据占临床数据的90％，因此，充分挖掘医学影像信息将对临床智能诊断、智能决策以及疾病预防起到至关重要的作用。随着深度学习的兴起，利用卷积神经网络进行医学影像分析已渐渐成为主流。而且由于卷积神经网络(convolutional neural networks，cnn)对图像的噪声、和对比度等问题不敏感，这使得基于cnn的方法在医学图像分割中取得较好的分割结果。cnn也因此成为图像处理和计算机视觉领域内最热门的研究课题。以alexnet、segnet和resnet为代表的深度神经网络已经广泛应用于计算机视觉任务，并在医学图像领域显示出巨大优势。深度学习方法不仅可以解决人工分割方法耗时、耗力的问题，同时也弥补了传统分割算法面临的精度低的缺点。
6、针对多模态的脑肿瘤图像分割任务，它通常需要更复杂的网络结构才能获得理想的分割结果，研究者们已经提出了很多算法。kamnitsas等人结合3d-cnn和条件随机场(conditional random fields,crf)应用于脑肿瘤图像分割。soltaninejad使用并行的两条肿瘤处理路径，第一条路径使用3d u-net标准进行局部特征处理，第二条路径使用修改的3d u-net模型进行全局特征处理。myronenko等人沿用了编码-解码结构分割脑肿瘤图像，在解码路径上添加变分自动编码器分支，对解码器施加额外约束。jiang z等人使用两个级联的u-net网络来实现脑肿瘤分割，其中第一个u-net网络进行肿瘤区域的粗分割，再将粗分割的结果作为第二个u-net网络的输入，以此完成精细化的分割。isensee等人通过引入数据预处理以及基于区域的训练，提出了一种基于2d u-net、3d u-net和u-netcascade的自适应框架：nnu-net。该模型可以自动根据图像几何结构调整自身结构，实现全自动分割流程。
技术实现思路
1、为了解决脑肿瘤分割目前存在的问题，本专利技术提供了一种基于三重高效注意力机制的mri脑肿瘤分割方法，该方法能够有效地提高mri脑肿瘤图像的分割精度，具有良好的分割性能，本专利技术的具体方案如下：
2、1.获取数据集
3、本专利技术的实验数据集采用国际医学图像计算和计算机辅助干预协会(medicalimage computing and computer assisted intervention society,miccai)提供的脑胶质瘤公共数据集brats2020。
4、2.数据预处理
5、数据预处理是一个关键步骤，旨在消除脑肿瘤多模态图像中的噪声信号并降低其灰度不均匀性，从而显著提高输出图像的质量。
6、3.基于三重高效注意力机制的改进u-net脑肿瘤分割模型
7、本专利技术在u-net网络结构的基础上进行改进，u-net结构主要由编码阶段和解码阶段两部分构成。首先采用残差模块代替原始u-net中的普通模块，以加速训练和收敛。在每个残差模块中，有两个卷积层，每个卷积层后面是bn层和prelu激活层，而不是原始u-net中使用的relu激活层。然后在跳跃连接中添加结合eca的三重平行注意机制模块，再将得到的特征图与经过上采样的高级特征进行concat。同时，网络中所有的卷积都替换为深度过参数化卷积(do-conv)。
8、4.定义混合损失函数训练模型，使用保存的最佳模型进行预测
9、针对脑肿瘤图像中的类别不平衡问题，本专利技术采用一种混合损失函数来解决此问题。该混合损失函数结合了广义dice损失函数和类别交叉熵损失函数两者的特性，以有效地训练模型并提高分割准确性。网络结构使用tensorflow框架，优化方法使用adamw,学习率调度器使用余弦退火(cosineannealing)。
10、5.模型预测及评价
11、在训练中达到最佳效果的模型，使用其对验证集进行预测，再将预测图上传https://ipp.cbica.upenn.edu/上进行验证。采用dice相似度系数和hausdorff_95距离作为定量评估模型分割效果的性能指标。
本文档来自技高网...【技术保护点】
1.基于三重高效注意力机制的MRI脑肿瘤分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于三重高效注意力机制的MRI脑肿瘤分割方法，其特征在于：所述步骤1中，对获取的公开数据集进行预处理，用于消除脑肿瘤图像存在的灰度不均匀性以及异常点。
3.根据权利要求2基于三重高效注意力机制的MRI脑肿瘤分割方法，其特征在于：在U-Net模型的编码和解码阶段，分别将原始的卷积模块替换为残差模块，在残差模块中，每个卷积层之后加入批量归一化层，同时将ReLU激活函数替换为PReLU激活函数。此外，在U-Net模型的解码阶段的残差模块中多添加了一个1×1卷积来保持维度一致。
4.根据权利要求3所述的基于三重高效注意力机制的MRI脑肿瘤分割方法，其特征在于：在跳跃连接中添加结合ECA的三重平行注意机制模块，ECA避免了降维，同时也降低了参数量。三重注意力机制实现了跨维度相互作用，通过三个分支分别获得张量(C，H)、(C，W)和(H，W)之间的依赖关系。通过使用三分支结构捕获跨维度交互信息来计算注意力权重的，有效地建立每个像素通道之间的相互依赖关系。E
5.根据权利要求4所述的基于三重高效注意力机制的MRI脑肿瘤分割方法，其特征在于：为了提升精度和加速模型训练，改进的U-Net模型中的卷积方式全部使用深度过参数化卷积，实验证明，该卷积能有效提高分割精度。
6.根据权利要求5所述的基于三重高效注意力机制的MRI脑肿瘤分割方法，其特征在于：定义混合损失函数来缓解脑肿瘤分割存在的类别不平衡问题，混合损失函数包括广义Dice损失函数和类别交叉熵损失函数。
7.根据权利要求6基于三重高效注意力机制的MRI脑肿瘤分割方法，其特征在于：构建好改进的U-Net模型后，将BraTS2020训练集用于模型进行训练，且将保存的最优模型用于预测。
8.根据权利要求7所述的基于三重高效注意力机制的MRI脑肿瘤分割方法，其特征在于：将BraTS2020的验证集用保存的最优模型进行预测，然后将预测结果图进行在线验证，获取各项评价指标，最后将实验结果进行对比。
...【技术特征摘要】
1.基于三重高效注意力机制的mri脑肿瘤分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于三重高效注意力机制的mri脑肿瘤分割方法，其特征在于：所述步骤1中，对获取的公开数据集进行预处理，用于消除脑肿瘤图像存在的灰度不均匀性以及异常点。
3.根据权利要求2基于三重高效注意力机制的mri脑肿瘤分割方法，其特征在于：在u-net模型的编码和解码阶段，分别将原始的卷积模块替换为残差模块，在残差模块中，每个卷积层之后加入批量归一化层，同时将relu激活函数替换为prelu激活函数。此外，在u-net模型的解码阶段的残差模块中多添加了一个1×1卷积来保持维度一致。
4.根据权利要求3所述的基于三重高效注意力机制的mri脑肿瘤分割方法，其特征在于：在跳跃连接中添加结合eca的三重平行注意机制模块，eca避免了降维，同时也降低了参数量。三重注意力机制实现了跨维度相互作用，通过三个分支分别获得张量(c，h)、(c，w)和(h，w)之间的依赖关系。通过使用三分支结构捕获跨维度交互信息来计算注意力权重的，有效地建立...
【专利技术属性】
技术研发人员：黄同愿，何昀泽，刘瑶，余潜江，张伟峰，赖思宇，徐嘉，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。